CN110110038A - 话务预测方法、装置、服务器及存储介质 - Google Patents
话务预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110110038A CN110110038A CN201810947503.8A CN201810947503A CN110110038A CN 110110038 A CN110110038 A CN 110110038A CN 201810947503 A CN201810947503 A CN 201810947503A CN 110110038 A CN110110038 A CN 110110038A
- Authority
- CN
- China
- Prior art keywords
- information
- traffic
- consultation
- history
- key message
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种话务预测方法、装置、服务器及存储介质,所述方法包括:获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息;提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析;确定与所述关键信息相关联的预测信息;根据所述预测信息生成预设话务信息进行展示。本发明通过客户的语音信息,将所述语音信息放入预设业务模型中进行分析,从而获取与所述语音信息相关联的预测信息,将预测信息进行消息展示,从而提高话务分析的智能化。
Description
技术领域
本发明涉及预测技术领域,尤其涉及一种话务预测方法、装置、服务器及存储介质。
背景技术
目前,在一般情况下,坐席在面对客户的问题通常为一问一答式,即针对客户的问题进行相应的答复,在坐席对流程制度熟悉的情况下可进行熟练的回答,但是在坐席对业务不熟悉的情况下,往往无法回答客户的问题,另外,即使对业务非常熟悉的客服人员在面对各种各样的问题时,也无法能够正确回答客户的每一个问题,从而降低坐席的服务质量。
发明内容
本发明的主要目的在于提出一种话务预测方法、装置、服务器及存储介质,旨在解决现有技术中无法实现话务预测的技术问题。
为实现上述目的,本发明提供一种话务预测方法,所述话务预测方法包括以下步骤:
获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息;
提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析;
确定与所述关键信息相关联的预测信息;
根据所述预测信息生成预设话务信息进行展示。
优选地,所述获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息之前,所述方法还包括:
获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息。
优选地,所述获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息之前,所述方法还包括:
获取历史状态信息和历史文字信息的对应关系,根据所述对应关系建立隐马尔克可夫模型;
相应的,获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息,包括:
获取客户进行咨询的语音信息,将所述语音信息根据预设规则转换为状态特征,根据所述状态特征在所述隐马尔克可夫模型中查找对应的文字信息,将查找到的文字信息作为所述咨询信息。
优选地,所述提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析之前,所述方法还包括:
通过机器学习模型提取历史关键信息与关联的话务信息的对应关系,根据所述对应关系建立所述预设业务模型。
优选地,所述通过机器学习模型提取历史关键信息与关联的话务信息的对应关系,根据所述对应关系建立所述预设业务模型,包括:
获取历史咨询信息,将所述历史咨询信息与预设参考信息进行匹配,将所述历史咨询信息中含有的预设参考信息作为参考数据,对所述参考数据进行分类得到所述历史关键信息与关联的话务信息,根据所述历史关键信息与所述关联的话务信息的对应关系建立所述预设业务模型。
相应的,所述获取历史咨询信息,将所述历史咨询信息与预设参考信息进行匹配,将所述历史咨询信息中含有的预设参考信息作为参考数据,对所述参考数据进行分类得到所述历史关键信息与关联的话务信息,根据所述历史关键信息与所述关联的话务信息的对应关系建立所述预设业务模型之前,所述方法还包括:
获取采集历史用户的文字信息,通过K值临近法,将所述文字信息与预设业务信息的近似值与预设值进行比较,根据比较结果调整所述文字信息,将调整后的文字信息作为所述历史咨询信息。
优选地,所述确定与所述关键信息相关联的预测信息,包括:
将关键信息根据word2vec模型生成对应的词向量,计算词向量之间的欧式距离,通过欧式距离公式:
其中,dis(X,Y)表示词向量的欧式距离,n表示n维空间向量,xi,yi表示两个特征点的参数信息;
根据计算出欧氏距离确定与所述关键信息相关联的预测信息。
优选地,所述根据所述预测信息生成预设话务信息进行展示,包括:
获取预设问句字段,将所述预设问句字段与所述预测信息进行组合生成预设话务信息进行展示。
此外,为实现上述目的,本发明还提出一种话务预测装置,所述话务预测装置包括:
信息获取模块,用于获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息;
分析模块,用于提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析;
确定模块,用于确定与所述关键信息相关联的预测信息;
生成模块,用于根据所述预测信息生成预设话务信息进行展示。
此外,为实现上述目的,本发明还提出一种服务器,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的话务预测程序,所述话务预测程序配置为实现如上所述的话务预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有话务预测程序,所述话务预测程序被处理器执行时实现如上文所述的话务预测方法的步骤。
本发明提出的话务预测方法,通过获取客户的语音信息,将所述语音信息放入预设业务模型中进行分析,从而获取与所述语音信息相关联的预测信息,将预测信息进行消息展示,从而提高话务分析的智能化。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图;
图2为本发明话务预测方法第一实施例的流程示意图;
图3为本发明话务预测方法第二实施例的流程示意图;
图4为本发明话务预测方法第三实施例的流程示意图;
图5为本发明话务预测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的服务器结构示意图。
如图1所示,该服务器可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及话务预测程序。
在图1所示的服务器中,网络接口1004主要用于连接外网,与其他网络设备进行数据通信;用户接口1003主要用于连接用户终端,与终端进行数据通信;本发明服务器通过处理器1001调用存储器1005中存储的话务预测程序,并执行本发明实施例提供的话务预测方法。
基于上述硬件结构,提出本发明话务预测方法实施例。
参照图2,图2为本发明话务预测方法第一实施例的流程示意图。
在第一实施例中,所述话务预测方法包括以下步骤:
步骤S10,获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息。
在本实施例中,在话务员接到客户的咨询信息时,可通过对客户的语音信息进行记录,通过对记录的语音信息实现对客户的话务分析,所述咨询信息为将客户的语音信息转化为文字信息,将获取的文字信息作为咨询信息,通过语音识别技术实现语音信息的识别。
在具体实现中,为了提高数据分析的效率,通过预设关键字获取与当前业务相关的信息,将包括所述预设关键字的文字信息进行处理,将不含有所述预设关键字的文字信息不进行处理,从而提高数据处理的效率,所述预设关键字可为“保险”“费用”等,还可为其他与业务相关的信息,例如在客户的咨询信息中含有保险这个关键字时,可将当前的咨询信息进行保存,如果客户的咨询信息中未含有保险信息时,则暂时不进行处理。
步骤S20,提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析。
需要说明的是,所述预设业务模型为机器学习模型,可为神经网络模型还可为支持向量模型,本实施例对此不限制,通过机器学习模型对关键信息进行分析,从而快速查找与所述关键信息相关的咨询信息,实现话务服务的智能化。
在本实施例中,通过机器学习建立特征信息与相关信息的对应关系,将所述关键信息作为特征信息,例如建立与关键字“保险”相关的咨询信息,保险-人身险,保险-车险,车险-交强险-费用等对应关系,在获取到关键字车险时,则获取与车险相关的交强险以及费用等相关预测信息。
在具体实现中,可通过首先建立与保险相关的预设函数模型,根据客户的历史咨询信息,对历史咨询信息进行取样,将取样信息放入所述预设函数模型进行训练,确定与保险业务相关的信息模型,从而通过历史数据的分析提高信息分析的准确性。
步骤S30,确定与所述关键信息相关联的预测信息。
在本实施例中,将客户的关键信息放入预设业务模型进行分析,获取与所述关键信息相关联的预测信息,例如根据关键信息“保险”,确定与所述“保险”信息相关联的“车险”“人身险”等信息,以及根据“车险”信息获取“交强险”相关的预测信息。
需要说明的是,所述关键信息可为将客户的咨询信息进行分词处理的关键信息,还可为进过滤处理的关键信息,本实施例对此不作限制,如果为进行分词处理的关键信息,则可通过字典匹配的分词方法进行分词处理,从而进行关键信息提取。
步骤S40,根据所述预测信息生成预设话务信息进行展示。
可以理解的是,所述预设话务信息可为“一年的交强险费用是多少”等问句形式,还可为其他形式,本实施例对此不作限制,在本实施例中,以问句形式为例进行说明。
在具体实现中,生成预设话务信息之后,还可根据话务信息查找与话务信息对应的回答信息,例如获取话务信息为“一年的交强险费用是多少”,可查找与当前客户上一年的费用信息,通过上一年的费用信息确定当前的费用信息,并进行展示,话务员可通过推送的预测信息提前做好准备,从而提高话务质量。
本实施例通过上述方案,通过获取客户的语音信息,将所述语音信息放入预设业务模型中进行分析,从而获取与所述语音信息相关联的预测信息,将预测信息进行消息展示,从而提高话务分析的智能化。
进一步地,如图3所示,基于第一实施例提出本发明话务预测方法第二实施例,在本实施例中,所述步骤S10之前,所述方法还包括:
步骤S101,获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息。
在具体实现中,通过语音识别技术对所述语音信息进行识别,即获取用户的语音信息,将语音信息转为帧的结构,其中,帧为在网络中,计算机通信传输的最小单位,将若干帧对应一个状态,每三个状态组合成一个音素,若干因素组合成一个单词,从而实现语音识别。
需要说明的是,在如何确定帧对应的状态需要通过声学模型,其中,声学模型为存有大量的参数,通过大量的参数可确定帧和状态对应的概率,在本实施例中,由于是针对与保险业务相关的话题信息,需要对声学模型进行改进,使匹配出来的文字数据更符合保险业务的话题。
进一步地,所述步骤S101之前,所述方法还包括:
步骤S102,获取历史状态信息和历史文字信息的对应关系,根据所述对应关系建立隐马尔克可夫模型。
为了更准确的识别语音信息,在本实施例中,由于若干帧对应一个状态,每三个状态组合成一个因素,假设语音有1000个帧的情况下,每帧对应1个状态,每3个状态组合成一个因素,大概有300个因素,数据量较大,因此,在语音识别过程中还可通过使用隐马尔可夫模型,隐马尔可夫模型为一种统计分析模型,从可观察的参数中确定过程中的隐含参数,从而可在进行语音识别之前建立隐马尔可夫模型,通过获取历史语音信息,将历史语音信息根据帧的状态构建状态网络,并将构建的状态网络与帧的状态对应的历史文字信息生成所述隐马尔克可夫模型。
在本实施例中,在构建的状态网络中寻找与声音最匹配的路径,其中,所述路径为待识别的语音信息的帧的状态对应的历史文字信息,从而提高声音识别的准确性。
相应的,所述步骤S101,包括:
步骤S103,获取客户进行咨询的语音信息,将所述语音信息根据预设规则转换为状态特征,根据所述状态特征在所述隐马尔克可夫模型中查找对应的文字信息,将查找到的文字信息作为所述咨询信息。
需要说明的是,所述预设规则为将所述语音信息分为若干帧,将每帧对应一个状态,所述状态特征为相邻帧组合成的状态特征,根据所述状态特征将最匹配的路径对应的文字信息作为查找到的文字信息,其中,可根据查找到匹配的路径的概率,将概率最高的路径对应的文字信息作为最终的文字信息,例如在状态网络中包含今天晴天,今天下雨等状态路径,查找到今天晴天的概率为0.7,查找到今天下雨的概率为0.2,则选取今天晴天的路径,根据查找到的路径对应的今天晴天为最终识别到的文字信息,从而提高语音识别的准确性。
在本实施例中,由于将实时语音转换为文字数据的过程中,采集的是客户和话务员的语音数据,在预测过程中主要是通过采集客户的数据进行预测,因此,需要将客户的语音数据与话务员的语音数据进行分离,而只对用户的语音数据进行分析,从而提高系统处理效率。
在具体实现中,可通过获取客户与话务员的识别信息,其中,识别信息包括电话号码等,还可通过对接通的电话信息标上标签,从而将客户的语音与话务员的语音进行有效的区分。
进一步地,所述步骤S20之前,所述方法还包括:
步骤S201,通过机器学习模型提取历史关键信息与关联的话务信息的对应关系,根据所述对应关系建立所述预设业务模型。
需要说明的是,需要先建立机器学习模型,通过历史客户与接线员的话务信息对机器学习模型进行训练,从而使机器学习模型更适应本业务的话题需求,所述历史关键信息可为进行采样的之前各个客户进行咨询的话务信息,将采样的话务信息进行分析处理,获取历史话务信息与相关话务信息的对应关系,根据所述对应关系建立所述预设业务模型,从而通过历史话务信息进行总结分析,提高处理的准确性。
在具体实现中,首先,提取文字数据中的关键词,例如人险、车险或财险,如果获取的关键词中有车险,则在训练好的机器学习模型中查找与车险相关的关键词,例如交强险,商业险以及相应的价格,从而可根据客户的关键词预测出用户将要询问的关于价格以及相关的关键字,然后,获取预设问句字段,将问句字段与关键字进行重新组合生成预测客户的问题。
进一步地,所述步骤S201,包括:
步骤S202,获取历史咨询信息,将所述历史咨询信息与预设参考信息进行匹配,将所述历史咨询信息中含有的预设参考信息作为参考数据,对所述参考数据进行分类得到所述历史关键信息与关联的话务信息,根据所述历史关键信息与所述关联的话务信息的对应关系建立所述预设业务模型。
需要说明的是,所述预设参考信息为历史关键字信息,例如保险,费用等,以及保险与费用的关联信息,将所述历史咨询信息与预设参考信息进行匹配,将所述历史咨询信息中含有的预设参考信息作为参考数据,从而实现对历史咨询信息中进行历史关键信息以及关联的话务信息的提取。
可以理解的是,在获取到历史咨询信息中的历史关键信息以及关联的话务信息时,为混合的咨询信息,在这种情况下,通过将历史关键信息以及关联的话务信息标上预设标签,即历史关键信息标记为key1以及关联的话务信息RE1-key1,还可为其他形式的标签,本实施例对此不作限制,通过设定的标签信息从而实现对所述参考数据进行分类得到所述历史关键信息与关联的话务信息。
进一步地,所述步骤S202之前,所述方法还包括:
步骤S203,获取采集历史用户的文字信息,通过K值临近法,将所述文字信息与预设业务信息的近似值与预设值进行比较,根据比较结果调整所述文字信息,将调整后的文字信息作为所述历史咨询信息。
在本实施例中,通过K值临近法对需要建模所需的历史咨询信息进行去噪,将无关的一些冗余信息进行删除,从而提高数据处理效率,通过K值临近法,设定预设值,并预先设定预设业务信息,所述预设业务信息为与当前业务相关的原始信息,利于携带有资料,保险,费用等于当前业务相关的信息,将采集的文字信息与预设业务信息进行比较,对采集的文字信息进行过滤处理,将过滤后的文字信息作为所述历史咨询信息,例如用户的语言信息,包括用户的个人电话号码等,对于只需与保险相关的业务信息来说,可通过K值临近法将与保险无关的个人电话号码信息进行删除,从而实现对采集历史用户的文字信息的去噪处理。
为了提高数据处理效率,在本实施例中,通过离线进行数据分析,在具体实现中,将获取的用户的文字数据保存在预设存储区域,调用远端的服务器,通过远端的服务器对存储区域中的文字数据进行分析,从而在不利用当前话务系统的前提下,实现对数据的分析,还可通过设有并行处理系统,通过并行系统对数据进行分析。
在本实施例中,所述机器学习可为神经网络模型,还可为其他建立客户信息的模型,本实施例对此不作限制,通过机器学习对预设时间段内的客户话务信息进行分析统计,获取历史话务信息与相关话务信息的对应关系。
本实施例提供的方案,通过建立的机器学习模型获取历史话务信息与相关话务信息的对应关系,根据所述对应关系建立所述预设业务模型,从而通过历史话务信息进行总结分析,提高数据处理的准确性。
进一步地,如图4所示,基于第一实施例或第二实施例提出本发明话务预测方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S30,包括:
步骤S301,将关键信息根据word2vec模型生成对应的词向量,计算词向量之间的欧式距离,通过欧式距离公式:
其中,dis(X,Y)表示词向量的欧式距离,n表示n维空间向量,xi,yi表示两个特征点的参数信息;
根据计算出欧氏距离确定与所述关键信息相关联的预测信息。
需要说明的是,根据欧式距离可获取待预测信息与客户的关键信息关联度,将关联度较高的待预测信息作为目标预设信息。
进一步地,所述步骤S40,包括:
步骤S401,获取预设问句字段,将所述预设问句字段与所述预测信息进行组合生成预设话务信息进行展示。
需要说明的是,所述预设问句字段可为“为什么”“是多少”等,从而可将预设问句字段与预测信息进行组合生成客户将要询问的话务问题。
在本实施例中,话务员可通过推送的预测信息提前做好准备,从而提高话务质量,在推送预测客户的问题的同时,显示相应的回答信息,在具体实现中,通过建立历史问题与回答信息的数据库,在获取预测客户的问题在数据库中查找与问题对应的回答信息,从而更利于提高话务员的服务质量。
本实施例提供的方案,根据欧式距离可获取待预测信息与客户的关键信息关联度,将关联度较高的待预测信息作为目标预设信息,从而获取关联度较高的预测信息,提高预测的准确性。。
本发明进一步提供一种话务预测装置。
参照图5,图5为本发明话务预测装置第一实施例的功能模块示意图。
本发明话务预测装置第一实施例中,该话务预测装置包括:
信息获取模块10,用于获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息。
在本实施例中,在话务员接到客户的咨询信息时,可通过对客户的语音信息进行记录,通过对记录的语音信息实现对客户的话务分析,所述咨询信息为将客户的语音信息转化为文字信息,将获取的文字信息作为咨询信息,通过语音识别技术实现语音信息的识别。
在具体实现中,为了提高数据分析的效率,通过预设关键字获取与当前业务相关的信息,将包括所述预设关键字的文字信息进行处理,将不含有所述预设关键字的文字信息不进行处理,从而提高数据处理的效率,所述预设关键字可为“保险”“费用”等,还可为其他与业务相关的信息,例如在客户的咨询信息中含有保险这个关键字时,可将当前的咨询信息进行保存,如果客户的咨询信息中未含有保险信息时,则暂时不进行处理。
分析模块20,用于提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析。
需要说明的是,所述预设业务模型为机器学习模型,可为神经网络模型还可为支持向量模型,本实施例对此不限制,通过机器学习模型对关键信息进行分析,从而快速查找与所述关键信息相关的咨询信息,实现话务服务的智能化。
在本实施例中,通过机器学习建立特征信息与相关信息的对应关系,将所述关键信息作为特征信息,例如建立与关键字“保险”相关的咨询信息,保险-人身险,保险-车险,车险-交强险-费用等对应关系,在获取到关键字车险时,则获取与车险相关的交强险以及费用等相关预测信息。
在具体实现中,可通过首先建立与保险相关的预设函数模型,根据客户的历史咨询信息,对历史咨询信息进行取样,将取样信息放入所述预设函数模型进行训练,确定与保险业务相关的信息模型,从而通过历史数据的分析提高信息分析的准确性。
确定模块30,用于确定与所述关键信息相关联的预测信息。
在本实施例中,将客户的关键信息放入预设业务模型进行分析,获取与所述关键信息相关联的预测信息,例如根据关键信息“保险”,确定与所述“保险”信息相关联的“车险”“人身险”等信息,以及根据“车险”信息获取“交强险”相关的预测信息。
需要说明的是,所述关键信息可为将客户的咨询信息进行分词处理的关键信息,还可为进过滤处理的关键信息,本实施例对此不作限制,如果为进行分词处理的关键信息,则可通过字典匹配的分词方法进行分词处理,从而进行关键信息提取。
生成模块40,用于根据所述预测信息生成预设话务信息进行展示。
可以理解的是,所述预设话务信息可为“一年的交强险费用是多少”等问句形式,还可为其他形式,本实施例对此不作限制,在本实施例中,以问句形式为例进行说明。
在具体实现中,生成预设话务信息之后,还可根据话务信息查找与话务信息对应的回答信息,例如获取话务信息为“一年的交强险费用是多少”,可查找与当前客户上一年的费用信息,通过上一年的费用信息确定当前的费用信息,并进行展示,话务员可通过推送的预测信息提前做好准备,从而提高话务质量。
本实施例通过上述方案,通过获取客户的语音信息,将所述语音信息放入预设业务模型中进行分析,从而获取与所述语音信息相关联的预测信息,将预测信息进行消息展示,从而提高话务分析的智能化。
此外,为实现上述目的,本发明还提出一种服务器,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的话务预测程序,所述话务预测程序配置为实现如上文所述的话务预测方法的步骤。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有话务预测程序,所述话务预测程序被处理器执行如上文所述的话务预测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台智能终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种话务预测方法,其特征在于,所述话务预测方法包括:
获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息;
提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析;
确定与所述关键信息相关联的预测信息;
根据所述预测信息生成预设话务信息进行展示。
2.如权利要求1所述的话务预测方法,其特征在于,所述获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息之前,所述方法还包括:
获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息。
3.如权利要求2所述的话务预测方法,其特征在于,所述获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息之前,所述方法还包括:
获取历史状态信息和历史文字信息的对应关系,根据所述对应关系建立隐马尔克可夫模型;
相应的,获取客户进行咨询的语音信息,对所述语音信息进行识别,生成相应的文字信息,并将所述文字信息作为所述咨询信息,包括:
获取客户进行咨询的语音信息,将所述语音信息根据预设规则转换为状态特征,根据所述状态特征在所述隐马尔克可夫模型中查找对应的文字信息,将查找到的文字信息作为所述咨询信息。
4.如权利要求1至3中任一项所述的话务预测方法,其特征在于,所述提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析之前,所述方法还包括:
通过机器学习模型提取历史关键信息与关联的话务信息的对应关系,根据所述对应关系建立所述预设业务模型。
5.如权利要求4所述的话务预测方法,其特征在于,所述通过机器学习模型提取历史关键信息与关联的话务信息的对应关系,根据所述对应关系建立所述预设业务模型,包括:
获取历史咨询信息,将所述历史咨询信息与预设参考信息进行匹配,将所述历史咨询信息中含有的预设参考信息作为参考数据,对所述参考数据进行分类得到所述历史关键信息与关联的话务信息,根据所述历史关键信息与所述关联的话务信息的对应关系建立所述预设业务模型;
相应的,所述获取历史咨询信息,将所述历史咨询信息与预设参考信息进行匹配,将所述历史咨询信息中含有的预设参考信息作为参考数据,对所述参考数据进行分类得到所述历史关键信息与关联的话务信息,根据所述历史关键信息与所述关联的话务信息的对应关系建立所述预设业务模型之前,所述方法还包括:
获取采集历史用户的文字信息,通过K值临近法,将所述文字信息与预设业务信息的近似值与预设值进行比较,根据比较结果调整所述文字信息,将调整后的文字信息作为所述历史咨询信息。
6.如权利要求1至3中任一项所述的话务预测方法,其特征在于,所述确定与所述关键信息相关联的预测信息,包括:
将关键信息根据word2vec模型生成对应的词向量,计算词向量之间的欧式距离,通过欧式距离公式:
其中,dis(X,Y)表示词向量的欧式距离,n表示n维空间向量,xi,yi表示两个特征点的参数信息;
根据计算出欧氏距离确定与所述关键信息相关联的预测信息。
7.如权利要求1至3中任一项所述的话务预测方法,其特征在于,所述根据所述预测信息生成预设话务信息进行展示,包括:
获取预设问句字段,将所述预设问句字段与所述预测信息进行组合生成预设话务信息进行展示。
8.一种话务预测装置,其特征在于,所述话务预测装置包括:
信息获取模块,用于获取客户的咨询信息,所述咨询信息包括与当前业务相关的信息;
分析模块,用于提取所述咨询信息中的关键信息,将所述关键信息根据预设业务模型进行比对分析;
确定模块,用于确定与所述关键信息相关联的预测信息;
生成模块,用于根据所述预测信息生成预设话务信息进行展示。
9.一种服务器,其特征在于,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的话务预测程序,所述话务预测程序配置为实现如权利要求1至7中任一项所述的话务预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有话务预测程序,所述话务预测程序被处理器执行时实现如权利要求1至7中任一项所述的话务预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947503.8A CN110110038B (zh) | 2018-08-17 | 2018-08-17 | 话务预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947503.8A CN110110038B (zh) | 2018-08-17 | 2018-08-17 | 话务预测方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110038A true CN110110038A (zh) | 2019-08-09 |
CN110110038B CN110110038B (zh) | 2023-04-18 |
Family
ID=67483307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810947503.8A Active CN110110038B (zh) | 2018-08-17 | 2018-08-17 | 话务预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110038B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473549A (zh) * | 2019-08-21 | 2019-11-19 | 北京智合大方科技有限公司 | 一种语音对话分析系统、方法及存储介质 |
CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
CN110674627A (zh) * | 2019-08-30 | 2020-01-10 | 深圳壹账通智能科技有限公司 | 文档的生成方法、装置、设备及存储介质 |
CN110730274A (zh) * | 2019-10-17 | 2020-01-24 | 厦门快商通科技股份有限公司 | 语音抓包解析方法、系统、移动终端及存储介质 |
CN111813989A (zh) * | 2020-07-02 | 2020-10-23 | 中国联合网络通信集团有限公司 | 信息处理方法、设备及存储介质 |
CN113051389A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 知识推送方法及装置 |
CN113723665A (zh) * | 2021-07-20 | 2021-11-30 | 山东环维通讯科技有限公司 | 一种呼叫中心话务预测方法以及具有该方法的设备及装置 |
CN113949358A (zh) * | 2021-12-16 | 2022-01-18 | 广东省新一代通信与网络创新研究院 | 一种基于机器学习的功放电压调整方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404160A (zh) * | 2008-11-21 | 2009-04-08 | 北京科技大学 | 一种基于音频识别的语音降噪方法 |
CN103021408A (zh) * | 2012-12-04 | 2013-04-03 | 中国科学院自动化研究所 | 一种发音稳定段辅助的语音识别优化解码方法及装置 |
US20140348157A1 (en) * | 2013-05-22 | 2014-11-27 | Speak2sales, LLC | System and method for web telephone services |
US20160142540A1 (en) * | 2014-11-19 | 2016-05-19 | International Business Machines Corporation | Analyzing telephone calls |
CN106815198A (zh) * | 2015-11-27 | 2017-06-09 | 北京国双科技有限公司 | 模型训练方法及装置和语句业务类型的识别方法及装置 |
CN107231496A (zh) * | 2017-06-07 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 话务处理、服务处理方法、装置及服务器 |
CN107437416A (zh) * | 2017-05-23 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 一种基于语音识别的咨询业务处理方法及装置 |
CN107507063A (zh) * | 2017-08-21 | 2017-12-22 | 合肥蓝胖子科技有限公司 | 企业电子商务咨询服务系统 |
CN107562828A (zh) * | 2017-08-22 | 2018-01-09 | 武汉理工大学 | 多源海事信息搜索与冲突处理系统及方法 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
-
2018
- 2018-08-17 CN CN201810947503.8A patent/CN110110038B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404160A (zh) * | 2008-11-21 | 2009-04-08 | 北京科技大学 | 一种基于音频识别的语音降噪方法 |
CN103021408A (zh) * | 2012-12-04 | 2013-04-03 | 中国科学院自动化研究所 | 一种发音稳定段辅助的语音识别优化解码方法及装置 |
US20140348157A1 (en) * | 2013-05-22 | 2014-11-27 | Speak2sales, LLC | System and method for web telephone services |
US20160142540A1 (en) * | 2014-11-19 | 2016-05-19 | International Business Machines Corporation | Analyzing telephone calls |
CN106815198A (zh) * | 2015-11-27 | 2017-06-09 | 北京国双科技有限公司 | 模型训练方法及装置和语句业务类型的识别方法及装置 |
CN107437416A (zh) * | 2017-05-23 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 一种基于语音识别的咨询业务处理方法及装置 |
CN107231496A (zh) * | 2017-06-07 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 话务处理、服务处理方法、装置及服务器 |
CN107507063A (zh) * | 2017-08-21 | 2017-12-22 | 合肥蓝胖子科技有限公司 | 企业电子商务咨询服务系统 |
CN107562828A (zh) * | 2017-08-22 | 2018-01-09 | 武汉理工大学 | 多源海事信息搜索与冲突处理系统及方法 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
杨梦雄等: "基于K-最近邻算法的话务智能预测技术", 《科学技术与工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473549A (zh) * | 2019-08-21 | 2019-11-19 | 北京智合大方科技有限公司 | 一种语音对话分析系统、方法及存储介质 |
CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
CN110674627A (zh) * | 2019-08-30 | 2020-01-10 | 深圳壹账通智能科技有限公司 | 文档的生成方法、装置、设备及存储介质 |
CN110730274A (zh) * | 2019-10-17 | 2020-01-24 | 厦门快商通科技股份有限公司 | 语音抓包解析方法、系统、移动终端及存储介质 |
CN110730274B (zh) * | 2019-10-17 | 2021-11-19 | 厦门快商通科技股份有限公司 | 语音抓包解析方法、系统、移动终端及存储介质 |
CN111813989A (zh) * | 2020-07-02 | 2020-10-23 | 中国联合网络通信集团有限公司 | 信息处理方法、设备及存储介质 |
CN111813989B (zh) * | 2020-07-02 | 2023-07-18 | 中国联合网络通信集团有限公司 | 信息处理方法、设备及存储介质 |
CN113051389A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 知识推送方法及装置 |
CN113051389B (zh) * | 2021-04-30 | 2024-02-02 | 中国银行股份有限公司 | 知识推送方法及装置 |
CN113723665A (zh) * | 2021-07-20 | 2021-11-30 | 山东环维通讯科技有限公司 | 一种呼叫中心话务预测方法以及具有该方法的设备及装置 |
CN113949358A (zh) * | 2021-12-16 | 2022-01-18 | 广东省新一代通信与网络创新研究院 | 一种基于机器学习的功放电压调整方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110110038B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112804400B (zh) | 客服呼叫语音质检方法、装置、电子设备及存储介质 | |
CN110110038A (zh) | 话务预测方法、装置、服务器及存储介质 | |
CN110704641B (zh) | 一种万级意图分类方法、装置、存储介质及电子设备 | |
KR102431754B1 (ko) | 인공지능기반 상담지원장치 | |
CN102802114B (zh) | 利用语音进行座席筛选的方法及系统 | |
CN110472224B (zh) | 服务质量的检测方法、装置、计算机设备和存储介质 | |
CN110310663A (zh) | 违规话术检测方法、装置、设备及计算机可读存储介质 | |
CN111696558A (zh) | 智能外呼方法、装置、计算机设备及存储介质 | |
CN110266900B (zh) | 客户意图的识别方法、装置及客服系统 | |
CN112468659B (zh) | 应用于电话客服的质量评价方法、装置、设备及存储介质 | |
CN109684455A (zh) | 智能客服系统的实现方法及装置、设备、可读存储介质 | |
CN109326285A (zh) | 语音信息处理方法、装置及非暂态计算机可读存储介质 | |
CN112235470B (zh) | 基于语音识别的来电客户跟进方法、装置及设备 | |
CN111597818A (zh) | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 | |
US10068567B1 (en) | System, method, and computer program for automatic management of intent classification | |
CN115662431A (zh) | 采用高泛化多任务意图识别的语音机器人通话方法及装置 | |
CN105869631B (zh) | 语音预测的方法和装置 | |
CN110765242A (zh) | 一种客服信息的提供方法,装置及系统 | |
CN113515642A (zh) | 电话营销关键断点确定方法及装置 | |
CN114726635A (zh) | 权限验证方法、装置、电子设备及介质 | |
CN114155845A (zh) | 服务确定方法、装置、电子设备及存储介质 | |
CN113393845A (zh) | 用于说话人识别的方法、装置、电子设备及可读存储介质 | |
KR101890704B1 (ko) | 음성 인식과 언어 모델링을 이용한 간편 메시지 출력장치 및 출력방법 | |
CN112908339A (zh) | 一种会议环节定位方法、装置、定位设备及可读存储介质 | |
CN115473963A (zh) | 通话处理方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |